圖片雜訊處理（一）


有時候會想為圖片加上雜訊，例如增加圖片的粗糙感，以製造相片的懷舊風格，或者是後製出物體表面的磨砂材質感覺，一些影像處理軟體，就會提供增加雜訊之類的濾鏡。

雜訊的製造方式很多，認識一下雜訊的原理，會有助於選擇合適的雜訊處理方式，而在需要去除雜訊的場合，也可以觀察雜訊是否為某種形成方式，對於雜訊去除的效率也會有幫助。

以灰階圖片為例，如果要在圖片增加雜訊，方式之一是圖片撒上一些黑點與白點，例如：

import cv2
import numpy as np

def salt_pepper_noise(image, fraction, salt_vs_pepper):
    img = np.copy(image)
    size = img.size
    num_salt = np.ceil(fraction * size * salt_vs_pepper).astype('int')
    num_pepper = np.ceil(fraction * size * (1 - salt_vs_pepper)).astype('int')
    row, column = img.shape

    # 隨機的座標點
    x = np.random.randint(0, column - 1, num_pepper)
    y = np.random.randint(0, row - 1, num_pepper)
    img[y, x] = 0   # 撒上胡椒

    # 隨機的座標點
    x = np.random.randint(0, column - 1, num_salt)
    y = np.random.randint(0, row - 1, num_salt)
    img[y, x] = 255 # 撒上鹽
    return img

fraction = 0.1        # 雜訊佔圖的比例
salt_vs_pepper = 0.5  # 鹽與胡椒的比例

img = cv2.imread('caterpillar.jpg', cv2.IMREAD_GRAYSCALE)
noisy = salt_pepper_noise(img, fraction, salt_vs_pepper)

cv2.imshow('Salt & Pepper Noise', noisy)

cv2.waitKey(0)
cv2.destroyAllWindows()

黑點就好比胡椒，白點就像是鹽，這種加上雜訊的方式，就稱為椒鹽雜訊（Salt & Pepper Noise），完成的效果圖如下：

雜訊處理（一）

椒鹽雜訊是認識雜訊處理時一個很好的起點，在更進一步之前，先來看看分析圖片像素值時一個常見的視覺化工具「直方圖（Histogram）」，例如，來分析一下灰階圖片的灰階值分佈：

import cv2
import matplotlib.pyplot as plt

img = cv2.imread('caterpillar.jpg', cv2.IMREAD_GRAYSCALE)
plt.hist(img.ravel(), 256, [0, 256], log = True)
plt.show()

這邊使用到 matplotlib.pyplot 的 hist，它接受一組資料，計算清單中各值出現的次數，上面的範例透過 NumPy 陣列的 ravel 方法，取得圖片攤平後的資料（只是個 NumPy 視圖），hist 的第二個參數指定要切出幾個直條，第三個參數指定要計算的值範圍，log 指定了是否 y 軸是否使用對數結果顯示。

以上的範例，依灰階值畫出來的直方圖會是：

雜訊處理（一）

也就是能用來表示具有某灰階值的像素個數有幾個。

OpenCV 本身也有計算直方圖資料的函式 cv2.calcHist，而且是專門針對圖片進行計算，它的參數有：

  • images：一組要分析的圖片。
  • channels：要分析的頻道，若是灰階圖片就指定 [0]，若是彩色圖片，可分別使用 [0]、[1]、[2] 指定 BGR 頻道。
  • mask：圖片遮罩，預設為 None。
  • histSize：各頻道要切分出幾個直條。
  • ranges：要計算的像素值範圍，通常都是設為 [0, 256]。

計算出來的資料，可以直接透過 matplotlib.pyplot 的 plot 繪製折線圖，或者是透過 bar 繪製直條圖。例如：

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread('caterpillar.jpg', cv2.IMREAD_GRAYSCALE)
hist = cv2.calcHist([img], [0], None, [256], [0, 256])

plt.bar(np.arange(0, 256), np.log(hist.ravel()))
plt.show()

以上的範例，依灰階值畫出來的直條圖會是：

雜訊處理（一）

因為這邊要處理的是灰階圖，接下來使用 matplotlib.pyplot 的 hist 就可以了。

回到方才的椒鹽雜訊，如果只看撒下椒鹽的點，由於那些點要嘛設定為黑，要嘛設定為白，畫出來的直方圖就會只在 0 與 255 處有直條。

這就好比如果將椒鹽雜訊套用在一張圖的每個像素點，也就是每個像素點要嘛設定為黑，要嘛設定為白，由於每個像素點就只有 0 或 255 的值：

import cv2
import numpy as np
import matplotlib.pyplot as plt

width = 250
height = 250

img = np.random.choice([0, 255], size = width * height).reshape(height, width).astype(np.uint8)

cv2.imshow('Salt & Pepper Noise', img)
plt.hist(img.ravel(), 256, [0, 256])
plt.show()

依灰階值畫出來的直方圖就會是：

雜訊處理（一）

因為原圖像的像素灰階值，多半不會極為接近 0 或 255，這種雜訊會直接令雜訊點與周圍的像素值的變化極大，也就是在圖中會很突兀，就像訊號中的突波，例如正常的音樂中突然爆音，環境中燈光突然閃爍之類的，因而又稱為脈衝雜訊（Impluse noise），就圖像而言，人眼很容易會察覺到雜訊的存在。

在後續的文件中，將進一步探討白雜訊與高斯雜訊…